FastGPT工单处理实测：效率提升与成本对比

酷家乐的工单系统已经运行了几年，作为线上问题处理、跟踪和分析的核心平台，它承载了大量日常运维工作。今天，我们就系统性地聊聊这个实战过程——如何借助FastGPT让工单处理效率翻倍。

背景

工单的现状

酷家乐工单系统，由酷家乐测试架构组自建完成，是线上问题处理、跟踪和分析的平台。

我们先来梳理一下工单处理的流程，看看各个环节中不同角色的职责与工作内容，就能发现当前系统建设基础上的一些难点痛点：

• 提单人的痛点：

  • 反馈问题时，需要提交的信息太多

• 处理人的痛点：

• FAQ类问题多，且重复问题多，问题处理价值低
• 排查链路长，排查工具分散，排查耗时久
• 业务复杂，问题处理成本高

运行几年下来，这些痛点对于提单人和处理人来说，在现有团队协作和流程框架下，很难找到更优的优化手段或解决方案。

而FastGPT的出现，提供了新的解题思路。它让我们在借助工单系统处理线上问题时，提升效率、降低成本成为了可能。

FastGPT的现状

这里要提到一个平台——FastGPT（能力介绍：https://doc.fastgpt.in/docs/intro/）。

FastGPT平台具备知识库答疑能力，也就是说，我们日常整理的那些FAQ和排查文档，可以被它利用起来，转化成工单问题的处理SOP。

还有一个关键细节：问答输出包含“引用部分”。这意味着，不管AI输出的回答有多发散，我们都能追溯到我们输入的知识库内容，确保信息的可追溯性。

分析完工单处理中的痛点，再看看FastGPT的能力，我们就能清晰规划出可以借力做哪些事情了。

思路

前面梳理了提单人和处理人各自的痛点，接下来针对不同角色看看可以做什么：

• 提单人创建工单环节：是不是可以先咨询我们提供的ChatGPT？一些误操作和FAQ类问题，AI直接解惑，自助解决。如果无法解决，ChatGPT可以按照预设模板分析问题，自动格式化填充。提单人不需要关心工单提交规范，就像在企信里对话一样直接抛问题就行。这样既节省了提单时间，又能让工单提交更规范、问题更清晰。

• 问题排查环节：可以获取相关问题的排查文档、排查工具等。处理人不需要到各个环境去找对应工具，知识盲区也不用去CF到处翻文档。如果能自动帮我们拿到排查所需的关键信息——比如商品ID、方案链接、用户账户等——那就更好了。ChatGPT的语言分析和提取能力相当强大，实现起来so easy。

• 输出结论和解决方案：有没有可能，ChatGPT根据问题就能知道我们想要什么结论，然后直接给到？当然不只是简单的问答或文字输出，而是经过系列加工查询后的数据结论。ChatGPT没有执行能力，它不会自动调用排查工具或请求接口。它能做的是分析问题，知道应该获取哪些数据、调用哪些工具或接口。接下来执行的事情，可以交给有执行能力的平台去做，比如工单系统——通过工单系统调用接口很容易。ChatGPT负责分析，告诉我们需要请求哪些代码、获取哪些数据，然后工单系统去执行。结合起来，好像是个不错的新思路（虽然不完全是新的，之前有项目实现过类似if else的效果：ChatGPT判断满足哪个条件就走哪段代码，它不能执行代码，但可以交给IDE去执行）。

实现

整体架构

我们将FastGPT与工单系统进行了融合。FastGPT负责识别问题，并分配工单系统需要做的执行动作；工单系统负责去执行对应动作、获取数据，最终将结果输出给处理人。这样一来，工单创建、系统自动分析和排查就能一步到位，直接给出排查结论，极大提升问题处理效率，同时降低处理难度。

具体落地的功能

• 将FastGPT平台的问答应用嵌入工单系统，借助FastGPT平台实现知识库问答功能

  运营等人员在提交工单前，可以先咨询这个嵌入到工单系统中的FastGPT问答应用。大部分FAQ类问题都能得到解决。FastGPT问答应用绑定了酷家乐内部的知识库体系，保障了问答的准确性和可用性。

• 将FastGPT问答知识库与排查工具融合，借助工单系统实现串联，达到系统自动处理问题或提取数据的目的

  这是实现FastGPT分发问题的关键环节。这里的配置决定了FastGPT如何识别问题，并告诉工单系统该做什么执行动作。以下图配置为例：当有工单创建，问题描述为“渲染慢”或“渲染久”时，FastGPT会自动匹配到“被搜索的内容”（问题场景），并将“补充内容”（场景对应的排查思路）给到工单系统，告诉它要去执行查询“渲染耗时”的动作。

工单系统会根据数据库配置情况，去执行对应的数据获取接口，并将结果返回到前端。

工单系统前端对数据进行格式化处理，辅助处理人对问题做出判断和进一步处理。

• 兜底策略：手动快速获取相关信息

  当某些场景识别不准确，或者系统未能自动识别时，可以手动告诉工单系统我们需要哪些数据。这也能进一步提升问题排查效率。

成果

以查询渲染失败工单为例。之前利用排查工具排查一条工单需要30分钟，现在借助ChatGPT辅助处理，排查一条工单只需要3分钟，直接提效90%。

所覆盖到的工单中，技术支持和故障台的工单平均处理时长缩短了近3天。效果相当不错。

未来展望

• 前面提到，在提单人环节AI还有很多事情可以做。希望用户的问题可以由FastGPT加工提炼后自动创建工单，进一步减少提单人的成本。
• 优化工单提交内容，既能减轻提单人的负担，又能让更多信息被采集和识别，以便更多排查结论通过系统自动生成，尽可能降低工单排查成本，提升AI信息提取的有效率。
• 实践下来，健全的排查工具和问题排查流程对工单处理提效很有帮助，值得在各业务线推广，持续推动各业务线做下去。